使用在线零售 II 数据集（https://archive.ics.uci.edu/ml/datasets/Online+Retail+II），我试图预测每个客户何时下订单，如果可能的话，货币这些订单的价值。这将是一个真正的在线零售店的概念证明，我将可以在其中访问更多的数据/功能。

当前数据集包含以下属性：

• InvoiceNo : 发票编号。标称。唯一分配给每笔交易的 6 位整数。如果此代码以字母“c”开头，则表示取消。
• StockCode：产品（项目）代码。标称。唯一分配给每个不同产品的 5 位整数。
• 描述：产品（项目）名称。标称。
• 数量：每笔交易的每个产品（项目）的数量。数字。
• InvoiceDate：发票日期和时间。数字。生成交易的日期和时间。
• 单价：单价。数字。以英镑为单位的产品价格。
• CustomerID：客户编号。标称。唯一分配给每个客户的 5 位整数。
• 国家：国家名称。标称。客户所在国家/地区的名称。

我目前的直觉是将数据建模为每日时间序列，输出当天可能订购的客户以及这些订单的价值（如果可能的话？）。输出要么是一个稀疏的、单热编码的 shape 矩阵num_customers X num_customers，要么是一个更密集的大小向量num_customers（可能有成千上万的客户）。我不太确定如何，或者即使模型也能够输出订单的数量。该模型可能会被输入到 LSTM 网络或类似网络中。我想这将被视为多元时间序列预测（仍在此处学习）？

由此，我希望能够对下一年的每一天进行预测，以预测下一个订单日期、客户价值和客户流失风险

由于这是将人类行为建模为时间序列的尝试，没有从一天到下一天的直接相关性（与预测每日温度或股票价格相反），并且有这么多变量，我也很担心会像不可预测的噪音一样消失。

1. 无论如何，我在正确的轨道上吗？（任何见解将不胜感激）
2. 这是否应该分成多个模型，如果是，有多少？
3. 有没有人有任何提示，或者知道可以为我指明正确方向的好文章或教程？
4. one-hot 编码矩阵与 multi-hot 编码向量的优点是什么（不确定这是否是正确的名称）？

谢谢！